论文部分内容阅读
本文将集中讨论安装有双目视觉系统的MT-AR移动机器人的跟踪系统设计与实现,目的是使得机器人能在正常环境下对跟踪目标物进行跟踪并作出正确的运动反馈。在研究机器人内部鲁棒性跟踪算法基础上,课题将对安装双目视觉系统的移动机器人跟踪与运动控制展开研究与讨论。与单目视觉移动机器人跟踪系统不同,课题使用了一种基于立体视觉的机器人跟踪平台。机器人内部跟踪算法使用了一种半监督学习模型,利用采样样本的重叠率先验信息,改进了传统的多实例学习跟踪算法。其中多实例学习中包模型判别函数直接在实例水平使用Fisher线性判别函数构建。为了增强机器人实验中跟踪鲁棒性,机器人跟踪模块使用了目标回找机制,在目标物突然消失场景中仍能重新找回丢失目标。传统的“基于检测来跟踪”的算法使用在线分类器来跟踪目标,由于采用的是自学习过程,跟踪过程中目标跟踪失败分类器会很容易退化。针对此问题,本文的机器人内部算法使用了一种改进的基于半监督学习的多示例学习跟踪(MILFLD)。首先,课题以采样样本与跟踪目标的重叠率信息为先验构建半监督学习模型,这种半监督学习模型结合了有标签与无标签数据,能有效克服传统的基于检测来跟踪的算法中目标漂移问题。其次,多示例学习中包模型判别函数的构建利用了Fisher线性判别函数,直接在实例水平选取最优分类器。最后,本文从梯度下降的视角来优化分类器的选取,每一次弱分类器的选取都以损失函数减少最多为条件,这样可以从抑制误差传播角度看待分类器的选取,当前帧训练得到的强分类器对于下一帧同样具有判别性。为了验证机器人内部跟踪算法的跟踪精度与鲁棒性,课题在不同场景下对MILFLD算法做出10组验证性实验。实验结果表明本文算法能有效地应对各种现实场景下运动目标的跟踪,在尺度与光照变化、快速运动、存在目标相似物以及部分遮挡情况时,都具备非常良好的跟踪稳定性与鲁棒性。为了验证机器人在实际环境中的跟踪精度好坏,课题在现实场景中对机器人运动跟踪同样做了几组实验。由实际场景中双目视觉机器人跟踪结果可以看出,本文提出的算法能有效解决移动机器人目标跟踪中的目标物快速运动、目标物发生遮挡、目标物突然消失以及光照变化等问题。